arXiv 2506.215642025-06-12cs.CLcs.AI

Team QUST在SemEval-2025任务10：评估大型语言模型在新闻实体框架多分类多标签分类中的表现

Team QUST at SemEval-2025 Task 10: Evaluating Large Language Models in Multiclass Multi-label Classification of News Entity Framing

College of Information Science and Technology（信息科学与技术学院）；College of Data Science（数据科学学院）；Qingdao University of Science and Technology（青岛科技大学）

Jiyan Liu, Youzheng Liu, Taihang Wang, Xiaoman Xu, Yimin Wang, Ye Jiang

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

本文提出了一个专为事实核查声明检索设计的三阶段检索框架，通过候选检索、多模型重排序及加权投票确定最终结果，在SemEval-2025 Task 7的单语和跨语言赛道中分别取得第5名和第7名。

摘要：

本文描述了QUST_NLP在SemEval-2025 Task 7中的参与情况。我们提出了一个专为事实核查声明检索设计的三阶段检索框架。首先，我们评估了几种检索模型的性能，并选择产生最佳结果的模型进行候选检索。接下来，我们采用多个重排序模型来增强候选结果，每个模型选择Top-10结果。在最后阶段，我们利用加权投票来确定最终的检索结果。我们的方法在单语赛道获得第5名，在跨语言赛道获得第7名。我们在以下网址发布了系统代码：https://github.com/warmth27/SemEval2025_Task7。

英文摘要：

This paper describes the participation of QUST_NLP in the SemEval-2025 Task 7. We propose a three-stage retrieval framework specifically designed for fact-checked claim retrieval. Initially, we evaluate the performance of several retrieval models and select the one that yields the best results for candidate retrieval. Next, we employ multiple re-ranking models to enhance the candidate results, with each model selecting the Top-10 outcomes. In the final stage, we utilize weighted voting to determine the final retrieval outcomes. Our approach achieved 5th place in the monolingual track and 7th place in the crosslingual track. We release our system code at: https://github.com/warmth27/SemEval2025_Task7.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。